TQC+NISQ

Michel

Ces dernières années, l'intérêt pour les technologies quantiques a fortement augmenté. Le domaine du Machine Learning n'y échappe pas puisqu'en 2018, un large nombre d'articles proposant des algorithmes quantiques pour le Machine Learning ont été publiés. À Washington D.C. (USA), du 3 au 7 juin se tenaient deux conférences traitant des technologies quantiques: la première est la Theory of Quantum Computation, Communication and Cryptography (#TQC2019). Elle a pour but de réunir les experts en théorie de l'information quantique et en algorithmique quantique. La seconde est le workshop Near Intermediate Scale Quantum (#NISQ), qui réunit des experts dans les technologies quantiques qui verront le jour à moyen terme. Elles sont donc l'opportunité d'aborder à la fois les aspects théoriques de l'informatique quantique et les aspects technologiques.

Prevision.io et l'informatique quantique

Depuis 1 an, Prévision.io s'intéresse à l'informatique quantique en tant qu'accélérateur de sa solution de Machine Learning automatisée. Elle explore le potentiel des algorithmes quantiques à accélérer l'entraînement de modèles de Machine Learning. Prevision.io était donc très motivée pour participer à TQC et NISQ pour deux raisons. La première raison est de se tenir informer des avancées en matière d'algorithmique quantique pour le Machine Learning. La seconde est de confronter les résultats de ses recherches face à des experts.

Restition des 5 jours exposition

C'est par la présentation d'Ewin Tang, jeune chercheuse de l'Université de Washington, que commence TQC avec un focus sur les algorithmes quantiques pour le Machine Learning. Elle y rappelle ses récents travaux qui ont consisté à proposer des algorithmes classiques à partir d'algorithmes quantiques. Elle donne les conditions dans lesquelles on pourra espérer un speed-up par rapport aux algorithmes classiques et insiste sur le fait qu'un gain en efficacité exponentiel ne pourra pas être trouvé si les données sont de faible dimension.

Les présentations très théoriques s'enchaînent avec des présentations plus pédagogiques, telles que celle de Claude Crépeau, qui nous explique l'intrication avec des voleurs interrogés au commissariat.

Au-delà des présentations académiques, c'est aussi l'occasion pour les industriels de faire leur apparition. Google, IBM, Cambridge Quantum Computing, Microsoft, Raytheon et Baidu ont chacun eu 20 minutes pour présenter leur projet quantique. Microsoft en particulier annonce que son langage de programmation quantique Q# sera open source d'ici l'été.

A NISQ, les présentations sont plus accessibles. Chris Monroe (University of Maryland) commence la conférence en montrant ses avancées dans le domaine des ordinateurs quantiques à technologie des ions piégés. Principalement, il annonce que la scalabilité de la technologie à ions piégés viendra à un coût : il faudra abandonner la possibilité d'intriquer chaque qubit avec un autre et opter plutôt pour une solution où l'intrication sera locale: au maximum avec une dizaine de plus proches voisins. Il ajoute que des expérimentations avec des connexions photoniques devraient suivre pour étudier la scalabilité de ces machines jusqu'à plusieurs centaines de qubits.

John Preskil, physicien renommé de la California Institute of Technology (Caltech) qui a donné le nom à cette conférence (NISQ) commence son talk par "I made up a word! And they made a workshop after it!" et en redéfinit les termes: les machines NISQ sont des plateformes qui verront le jour dans les prochaines années, qui auront un faible nombre de qubit (une centaine), qui ne seront pas simulables par les meilleures machines classiques, et dont la puissance sera limitée par un bruit intrinsèque. Il insiste sur le fait que l'ordinateur quantique est performant si les entrées et les sorties sont des états quantiques. En revanche, si des données classiques doivent être transférées à un ordinateur quantique, alors on pourrait bien perdre une grande partie de leur efficacité.

Hanhee Paik, chercheuse à IBM, nous présente des résultats concernant le "volume" d'un ordinateur quantique supraconducteur. Il s'agit d'une métrique quantifiant les performances du processeur. Elle prend en compte notamment le temps de cohérence des qubits, le taux de fidélité des portes et le taux de fidélité de la lecture des sorties. Elle nous rappelle que les plateformes d'IBM sont déjà accessibles sur le cloud et que n'importe qui peut lancer des calculs sur une machine à 5 qubits. Elle propose également la création d'un benchmark pour quantifier l'évolution des performances des ordinateurs quantiques.

Krysta Svore, directrice des applications quantiques chez Microsoft, promeut un développement d'algorithmes en cohérence avec les applications. Elle met en avant l'importance d'innover en quantique pour faire progresser les algorithmes classiques. Elle présente les travaux de Maryia Schuld sur les circuits variationnels: des circuits quantiques que l'on peut optimiser avec un algorithme de descente de gradient, comme les réseaux de neurones. Cette approche est intéressante et a été retenue dans un premier temps par Prevision.io.

Deux sessions de poster ont eu lieu. Prevision.io y a présenté ses travaux de recherche sur les circuits variationnels. Ils ont été reçus avec beaucoup de commentaires et de propositions intéressantes pour continuer le travail.

La conclusion de la conférence

La conférence se conclut après 5 jours intenses. Elle a été l'opportunité de se retrouver entre chercheurs du même domaine, de progresser à travers des présentations académiques et industrielles et d'échanger sur toutes les thématiques entourant l'avènement de l'ère de l'informatique quantique.

Nowak -